·26 智能系统学报 第16卷 4实验与分析 4.2实验结果及分析 本文采用了与YOLOv:32o1相同的损失函数， 本文在Ubuntu16.04操作系统下完成软件环 整体的损失函数由3部分组成：类别误差、置信 境平台的搭建和实验，GPU选用NVIDIA Ge- 度误差以及目标框误差。为了加快网络的训练速 Force1080Ti,软件：Python(3.6);keras≥2.1.5； 度和防止过拟合，本文采用Adma算法来做梯度 tensorflow-gpu(1.4.1). 优化，其中设置初始学习率为0.001，每100次迭 4.1数据集 本文实验采用的乳腺超声数据是由专业医生 代后学习率衰减为原来的1/10，冲量为0.9，衰减 从相关医院的数据库选取从2015-2019年不同年 系数为0.0002，epoch设置为25，batch size设置 龄层次、地区和人种的2011例原始病例，共计有 为8，之后对原始的YOLOv3和不同配置的YOLOv3 13586张原始图像，图像大小为768×576，如图7 算法在预训练模型上进行训练，不同配置的YOLO3 所示，经过专业医生筛选剔除后，得到含有肿瘤 算法见表2所示，其中YOLOV31)表示在原YOLOv3 的有效图片共计3259例，其中良性患者共计1199 算法上引入SE-Res2Net网络，YOLOv3(2)表示在 例，恶性患者共计2060例，考虑到虽然原始图像 原YOLOv3上引入SE-ResNet和Downsample下 边框中含有较多的标注信息，如影像保存时间、 采样模块，YOLOv3(3)表示在YOLOv3上引入 超声探头发射频率、探测深度和部位，同时标注 SE-Res2Net、Downsample下采样模块和残差密集 位置不固定，但为了提高算法的鲁棒性，方便实 网络，最后通过查准率-查全率(precision-recall,. 际应用，本实验不再进行人工的区域裁剪，而是 PR)曲线、精度均值(average precision,.AP)和平均 直接使用经过筛选的原始图片作为目标图片。 精度均值(mean average precision,mAP)评价模型 的性能。 表2不同配置的YOLOv3算法 Table 2 YOLOV3 algorithm with different configurations 引入SE-Res2Net引入Downsample引入残差 算法 的残差网络 下采样模块 密集网络 YOLOv3 YOLOv3(1) 图7超声乳腺肿瘤原始图像 Fig.7 Original ultrasound images of breast tumor YOLOv3(2) 该数据库中除了包含有图像信息外，还提供 YOLOv3(3) 了所有病例的病理诊断结果，其良恶性均经过活 检证实，经过专业医生借助ImageLab软件结合病 1)AP和mAP 例信息对进行肿瘤位置和类别标注，生成的PAS 待训练完成后将模型分别在测试集测试，得 CAL VOC格式的文件构建了本实验所需的乳腺 到良性样本的PR曲线和恶性样本的PR曲线如 肿瘤数据集，考虑到数据集较小，直接将数据集 图8、9所示，之后通过计算PR曲线下的面积可 按照3：1：1分成训练集、验证集和测试集，其中训 得到良恶性样本的AP,YOLOV31)良恶性AP相 练集1955张，良性719张、恶性1236张：测试集 对YOLOV3算法提高1.59%和1.73%，其mAP提 652张，良性240张、恶性412；验证集652张，良 高1.66%，这是因为Res2Net在单层内增加了尺 性240张、恶性412，如表1所示。 度，充分利用了单层内的特征；YOLOv3(2)良恶 表1乳腺超声数据集划分 性AP相对于YOLOv3(1)提高了1.18%和3.08%， Table 1 Dividing breast ultrasound data sets mAP提高2.13%，这是由于DownSample模块在 数据集 良性 恶性 共计 定程度上克服了3×3下采样容易丢失特征的缺 训练 719 1236 1955 陷；YOLOV3(3)良恶性AP相对于YOLOv3(2)提 验证 240 412 652 高了0.99%和0.56%，mAP提高0.775%，这是由 测试 于残差密集网络充分利用了前面所有层特征； 240 412 652 合计 YOLOv3(3)相对YOLOv3良恶性AP提高了 1199 2060 3259 3.76%和5.37%，mAP提高了4.56%，证实了本文4 实验与分析 本文在 Ubuntu 16.04 操作系统下完成软件环 境平台的搭建和实验，GPU 选用 NVIDIA Ge￾Force 1080Ti，软件：Python (3.6)；keras ≥ 2.1.5； tensorflow-gpu (≥ 1.4.1)。 4.1 数据集 本文实验采用的乳腺超声数据是由专业医生 从相关医院的数据库选取从 2015-2019 年不同年 龄层次、地区和人种的 2 011 例原始病例，共计有 13 586 张原始图像，图像大小为 768×576，如图 7 所示，经过专业医生筛选剔除后，得到含有肿瘤 的有效图片共计 3 259 例，其中良性患者共计 1 199 例，恶性患者共计 2 060 例，考虑到虽然原始图像 边框中含有较多的标注信息，如影像保存时间、 超声探头发射频率、探测深度和部位，同时标注 位置不固定，但为了提高算法的鲁棒性，方便实 际应用，本实验不再进行人工的区域裁剪，而是 直接使用经过筛选的原始图片作为目标图片。 图 7 超声乳腺肿瘤原始图像 Fig. 7 Original ultrasound images of breast tumor 该数据库中除了包含有图像信息外，还提供 了所有病例的病理诊断结果，其良恶性均经过活 检证实，经过专业医生借助 ImageLab 软件结合病 例信息对进行肿瘤位置和类别标注，生成的 PAS￾CAL VOC 格式的文件构建了本实验所需的乳腺 肿瘤数据集，考虑到数据集较小，直接将数据集 按照 3∶1∶1 分成训练集、验证集和测试集，其中训 练集 1 955 张，良性 719 张、恶性 1 236 张；测试集 652 张，良性 240 张、恶性 412；验证集 652 张，良 性 240 张、恶性 412，如表 1 所示。 表 1 乳腺超声数据集划分 Table 1 Dividing breast ultrasound data sets 数据集 良性 恶性 共计 训练 719 1 236 1955 验证 240 412 652 测试 240 412 652 合计 1199 2 060 3259 4.2 实验结果及分析 本文采用了与 YOLOv3[20] 相同的损失函数， 整体的损失函数由 3 部分组成：类别误差、置信 度误差以及目标框误差。为了加快网络的训练速 度和防止过拟合，本文采用 Adma 算法来做梯度 优化，其中设置初始学习率为 0.001，每 100 次迭 代后学习率衰减为原来的 1/10，冲量为 0.9，衰减 系数为 0.0 002，epoch 设置为 25，batch size 设置 为 8，之后对原始的 YOLOv3 和不同配置的 YOLOv3 算法在预训练模型上进行训练，不同配置的 YOLOv3 算法见表 2 所示，其中 YOLOv3(1) 表示在原 YOLOv3 算法上引入 SE-Res2Net 网络，YOLOv3(2) 表示在 原 YOLOv3 上引入 SE-ResNet 和 Downsample 下 采样模块，YOLOv3(3) 表示在 YOLOv3 上引入 SE-Res2Net、Downsample 下采样模块和残差密集 网络，最后通过查准率−查全率 (precision-recall, PR) 曲线、精度均值 (average precision, AP) 和平均 精度均值 (mean average precision, mAP) 评价模型 的性能。 表 2 不同配置的 YOLOv3 算法 Table 2 YOLOV3 algorithm with different configurations 算法 引入SE-Res2Net 的残差网络 引入Downsample 下采样模块 引入残差 密集网络 YOLOv3 × × × YOLOv3(1) √ × × YOLOv3(2) √ √ × YOLOv3(3) √ √ √ 1) AP 和 mAP 待训练完成后将模型分别在测试集测试，得 到良性样本的 PR 曲线和恶性样本的 PR 曲线如 图 8、9 所示，之后通过计算 PR 曲线下的面积可 得到良恶性样本的 AP，YOLOv3(1) 良恶性 AP 相 对 YOLOV3 算法提高 1.59% 和 1.73%，其 mAP 提 高 1.66%，这是因为 Res2Net 在单层内增加了尺 度，充分利用了单层内的特征；YOLOv3(2) 良恶 性 AP 相对于 YOLOv3(1) 提高了 1.18% 和 3.08%， mAP 提高 2.13%，这是由于 DownSample 模块在一 定程度上克服了 3×3 下采样容易丢失特征的缺 陷；YOLOV3(3) 良恶性 AP 相对于 YOLOv3(2) 提 高了 0.99% 和 0.56%，mAP 提高 0.775%，这是由 于残差密集网络充分利用了前面所有层特征； YOLOv3(3) 相对 YOLOv3 良恶性 AP 提高了 3.76% 和 5.37%，mAP 提高了 4.56%，证实了本文 ·26· 智 能 系 统 学 报 第 16 卷